Johnsonin periaatteet:
|
|
- Jutta Sala
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Johnsonin periaatteet: 1. Tee testejä, joilla on uutuusarvoa. 2. Perusta työsi kirjallisuuteen. 3. Tee testejä, jotka mahdollistavat yleiset johtopäätökset. 4. Laadi testisi tehokkaiksi. 5. Käytä tarpeeksi tehokkaita ratkaisuja. 6. Mahdollista testiesi uudelleen ajaminen ja suunnittele testit niin, että tulokset ovat riippumattomia testiympäristöstä. 7. Tee testiesi tulokset vertailukelpoisiksi toisille tutkijoille. 8. Kerro testeistäsi tarpeeksi tarkasti. 9. Tee tuloksista perusteltuja johtopäätöksiä ja etsi selityksiä testien tuloksille. 10. Esitä tuloksesi havainnollisesti.
2 1. Tee testejä, joilla on uutuusarvoa. Kukaan ei halua lukea tylsistä ja merkityksettömistä testeistä! Testien mielenkiintoisuus lisääntyy, jos algoritmilla on selviä sovellusmahdollisuuksia (vaikkei artikkeli olisikaan tarkoitettu markkinoimaan algoritmia johonkin tiettyyn sovellustilanteeseen). Sellaisen algoritmin testaaminen, jota ei voi soveltaa mihinkään, on järjetöntä! Sovellusten olemassaolo takaa myös sen, että testiaineistoa on saatavilla. Oleellinen kysymys: voisiko testattava algoritmi korvata nykyisin käytettävät algoritmit jossain sovelluksessa? Koska asymptoottinen analyysi ei tämän kysymykseen voi vastata (ainakaan aina), tarvitaan testejä ym. kysymyksen selvittämiseen. Sanotaan, että algortmi on alisteinen, jos se on aina hitaampi kuin joku tunnettu algoritmi (tai approksimointialgoritmien tapauksessa tuottaa aina huonompia approksimaatioita).
3 Miten voi osoittaa, että algoritmi on alisteinen? (Huom! Samat kysymykset pätevät muihinkin kokeista tehtyihin yleistyksiin.) Oletko varmasti testannut algoritmia kaikilla järkevillä tapaustyypeillä? Onko ajoympäristön vaikutus eliminoitu? Onko algoritmit varmasti implementoitu oikein? Pätevätkö tulokset kaikkiin parametrikombinaatioihin? Onko alisteisen algoritmin esittelyssä mitään järkeä? Vältä alisteisten algoritmien testaamista tutustumalla huolellisesti kirjallisuuteen. Lue lähteet, joihin viittaat! Jos uusi algoritmi paljastuu alisteiseksi, tilanne ei ole hyvä, mutta... Alisteinen, mutta yksinkertainen algoritmi voi olla mielenkiintoinen. Tilanne voi olla mielenkiintoinen, jos alisteinen algoritmi käyttää sellaista yleistä suunnitteluperiaatetta tai tietorakennetta, joka voi olla sovellettavissa moneen muuhun tilanteeseen. Alisteiseksi tiedetyn algoritmin tarkempi karakterisointi voi olla mielenkiintoista osana laajempia testejä, joissa on mukana muitakin kuin alisteisia algoritmeja. Tunnetun ja paljon käytetyn algoritmin osoittaminen alisteiseksi voi olla mielenkiintoista.
4 Tulosten uutuusarvoa lisäävät niiden yleisyys, relevanttisuus ja luetettavuus. Tuloksen Algoritmi A on parempi kuin algoritmi B luetettavuutta lisäävät testit, jotka kertovat, mistä A:n paremmuus johtuu Tutki oleellisia asioita. Tyypillisiä virheitä: - testejä tehdään vain muutamilla parametrikombinaatioilla - testaa vasta algoritmin lopullista, tehokasta versiota - aloita testit vasta sitten, kun olet päättänyt koko testimateriaalisi Mieti ensin, tee vasta sitten! Mieti esimerkiksi seuraavia asioita: - Mihin kysymyksiin haluat testeilläsi vastauksen? - Ovatko testattavat algoritmit oikein implementoitu? - Ovat testit tarpeeksi kattavat? - Kuinka pieniä ja kuinka suuria testitapauksia kannattaa ottaa mukaan? Ennen varsinaisia testejä - kerää suuntaa-antavaa tietoa algoritmin käyttäytymisestä - kiinnitä erityistä huomiota poikkeukselliseen tuloksiin (anomalioihin)
5 Johnsonin ohjelma : - puolet testausajasta alustavia testejä, joiden tarkoituksena on selvittää, mitä kannattaa tutkia - hiotaan algoritmien toteutusta, päätetään, mitä yritetään selvittää, ja päätetään, mitä testiajoja ajetaan - ajetaan testit - analysoidaan tulokset Milloin testejä on tehty tarpeeksi??
6 Millaisilla kysymyksillä ja vastauksilla on uutuusarvoa? - Miten toteutuksen yksityiskohdat, parametrien arvot ja käytetyt tietorakenteet vaikuttavat tuloksiin? - Miten ajoaika riippuu testitapausten koosta? Onko riippuvuus erilainen eri tyyppisillä tapauksilla? - Mikä mittari kuvaa parhaiten kokonaisajoaikaa? - Mitkä ovat ratkaisun pullonkaulat? Riippuvatko ne tapaustyypistä? - Vaikuttaako ajoympäristö ajoajan riippuvuuteen tapausten koosta? - Vaihteleeko ajoaika samoilla syötteillä samassa ajoympäristössä? - Vaihteleeko muistin tarve samoilla syötteillä samassa ajoympäristössä? - Miten aikaisemmin tunnetut algoritmit käyttäytyvät tarkastelluilla tapauksilla? - Approksimaatioalgoritmien tapauksessa ajoajan voi korvata vastauksen laadulla
7 2. Perusta työsi kirjallisuuteen Pätee kaikkeen tieteelliseen kirjoittamiseen! Kirjallisuuskatsaus ennen testien aloittamista! Vältyt turhalta työltä. Voit saada ideoita siitä, mitä kannattaa selvittää. - Mitä seikkoja yleensä selvitetään ko. tilanteessa. - Mitkä asiat tiedetään avoimiksi - Millaisia tapauksia ei vielä ole tutkittu. Uutta algoritmia kannattaa/pitää testata aikaisemmin käytetyillä testitapauksilla. (aikaisemmilla ajoajoilla ei sinällään ole käyttöä) Tarkka aikaisempiin toteutuksiin vertaaminen on mahdollista vain, jos alkuperäinen koodi on saatavilla. Seuraavaksi paras vaihtoehto on implementoida aikaisempi algoritmi kirjallisuudessa esitetyn kuvauksen (esim. pseudokoodi) perusteella.
8 3. Tee testejä, jotka mahdollistavat yleiset johtopäätökset Kaksi testiaineistotyyppiä: 1) käytännön sovelluksista saadut aineistot 2) keinotekoisesti (tilastollisesti) tuotetut aineistot Tilastollisesti tuotetut aineistot voivat olla mielivaltaisen suuria - tulevaisuudessa sovellukset todennäköisesti suurempia kuin nykyisin - voivat mahdollistaa algoritmin asymptoottisen käyttäytymisen arvioinnin - suurimman mahdollisen tapauksen koon selvittäminen - arvio siitä, kuinka suuria tapauksia tulevaisuudessa voi ratkoa Huonosti valittu tilastollinen aineisto ei kerro mitään käytännön tapauksista Systemaattinen virhe tilastollisen aineiston muodostamisessa voi johtaa täysin väärin johtopäätöksiin Onko merkitystä sillä, kuluttaako algoritmi 0.01 vai 0.1 sekuntia? Vast: joskus on. Pitäisikö approksimointialgoritmeja testata tapauksissa, joissa optimi tunnetaan? - Mahdollistaa suhteellisen virheet laskemisen. - Voi vääristää tuloksia, sillä mielenkiintoiset tapaukset ovat niitä, joissa optimia ei tunneta! - Optimi tunnetaan yleensä vain melko pienille tapauksille. Testit eivät paljasta, miten algoritmin käyttäytyminen muuttuu tapausten kasvaessa.
9 4. Laadi testisi tehokkaiksi. Varianssin vähentäminen - McGeoch, Analyzing algorithms... - eräs versio: testataan approksimintialgoritmeja samoilla testitapauksilla ja verrataan algoritmien tekemiä virheitä keskenään bootstrapping - etsitään parasta tulosta ajamalla samaa satunnaistettua algoritmia k kertaa - huono tapa: toistetaan k:n ajokerran koetta m kertaa ja vertaillaan m:ää parasta arvoa tai lasketaan niiden keskiarvo - parempi tapa: tarkastellaan kaikkia km arvoa ja arvioidaan niiden perusteella parhaimman arvon odotusarvo k:n ajon sarjassa; voidaan myös arvioda parasta tulosssa muissa ajosarjoissa kuin k:n pituisissa kommentoi ohjelmasi ja kaikki muu testimateriaali kunnolla
10 5. Käytä tarpeeksi tehokkaita ratkaisuja. Ohjelmien tehokkuus vs. ohjelmointiaika ja -vaiva Perustuuko algoritmin hyvyys tehokkaaseen ratkaisuperiaatteeseen vai nopeutuskikkoihin? Perusratkaisujen (optimoimattomien ratkaisujen) vertailu? Vaikuttaako optimointi myös (approksimointialgoritmin) ratkaisujen hyvyyteen? (Kohtuullisesti) optimoidun ratkaisun käyttö helpottaa vertailtavuutta ja mahdollistaa suurempien testitapausten käytön.
11 6. Mahdollista testiesi uudelleen ajaminen ja suunnittele testit niin, että tulokset ovat riippumattomia testiympäristöstä. Mahdollisuus testien oikeellisuuden varmistamiseen toistamalla ne on keskeinen (luonnon)tieteellinen periaate Algoritmi, testiympäristö ja syötteet on raportoitava niin tarkasti, että testit voitaisiin tarvittaessa toistaa Testien toistaminen onnistui, jos ne tukivat samoja johtopäätöksiä kuin alkuperäiset testit. Toistamisen mahdollistamiseksi testit (koodi, syötteet, ajoympäristö) on raportoitava tarpeeksi tarkkaan. Tyypillisiä virheitä 1: - artikkelin tekstiosuus ja koodi eivät vastaa toisiaan - approksimointialgoritmin hyvyyden mittaus, kun optimia ei ole tiedossa - pelkkä tulos ilman vertailukohtaa - prosenttitulos suhteessa parhaaseen tunnettuun arvoon - vertaaminen toiseen algoritmiin, jonka ei hyvyys välttämättä selvää Vertailukohdan on oltava yleisesti tunnettu, yksikäsitteisesti määritelty ja helposti laskettavissa.
12 Tyypillisiä virheitä 2: Ajoajan käyttäminen etsintäalgoritmin pysähtymiskriteerinä. - Ajoaika riippuu ajoympäristöstä, eikä saman ajan käyttäminen jossain toisessa ympäristö tuota vertailukelpoisia tuloksia. - Algoritmien vertailu ajamalla vertailtavia algoritmeja edeltä sovittu aika voi vääristää algoritmien keskinäistä paremmuusjärjestystä. Parempi pysähtymiskriteeri: vertailtaville algorimeille yhteinen perusoperaatio Tyypillisiä virheitä 3: Etukäteen tunnetun optimin käyttö pysähtymiskriteerinä. - Todellisessa tilanteessa optimia ei tunneta, joten testit eivät ehkä anna tietoa algoritmin soveltuvuudesta käytännön tilanteisiin. Tyypillisiä virheitä 4: Epämääräiset parametrit algoritmeissa (esim. geneettisissä, simuloidussa jäähdytyksessä, jne.) Tyypillisiä virheitä 5: Johtopäätökset tehdään muutamien sattunaisesti valittujen testiajojen perusteella. Tyypillisiä virheitä 6: Parhaan tuloksen käyttö vertailuperusteena.
13 7. Tee testiesi tulokset vertailukelpoisiksi toisille tutkijoille Tee mahdolliseksi, että tulevat tutkijat voivat perustaa oman tutkimuksensa kirjallisuuteen! Kerro tarpeeksi tarkasti, missä ympäristössä testit on ajettu! Käytä benchmark-testejä ympäristön tehokkuuden kuvaamiseen. (Jos sopivia yleisesti tunnettuja benchmarkejä on olemassa.) Esittele testimateriaaliasi ja/tai koodisi esim. webissä, kirjoituksesi liitteessä, tms.
14 8. Kerro testeistäsi tarpeeksi tarkasti Käytä oikeata tarkkuustasoa. Kerro testeissä sattuneista poikkeavista tapahtumista, anomalioista. Yritä keksiä niille selityksiä. Ilmoita todelliset ajoajat (vaikka paras tulos olisikin löytynyt aiemmin). Ilmoita ajoajat vaikka ne eivät olisi varsinaisia tuloksiasi.
15 9. Tee tuloksista perusteltuja johtopäätöksiä ja etsi selityksiä testien tuloksille Tyypillinen virhe: Testien tulosten esittäminen ilman tulkintaa ja johtopäätöksiä. - Jos johtopäätöksiä ei voi tehdä, testit ovat olleet väärät eikä tuloksia kannata raportoida. Testitulosten on tuettava tehtyjä johtopäätöksiä!! Varo tekemästä testien perusteella vääriä johtopäätöksiä algoritmien asymptoottisesta käyttäytymisestä. Selvitä, millaisista tekijöistä algoritmin kokonaisajoaika muodostuu. - Esim. lineaarinen komponentti, jolla suuri vakiokerroin, voi dominoida ajoaikaa pienillä tapauksilla. Kun tapausten koko kasvaa, vähenee lineaarisen komponentin merkitys. - Profilointi auttaa muutenkin ymmärtämään algoritmin toimintaa.
16 10. Esitä tuloksesi havainnollisesti Tyypillisiä virheitä 1: Taulukko ilman havainnollistavaa kuvaa. - Kuvan esitettävä taulukon sisältämän datan trendit. Tyypillisiä virheitä 2: Kuva ilman taulukkoa. - Kuvat hukkaavat yksityiskohtia. Normalisoidut asteikot kuvissa. (ks. kuva 1) Kuvissa ei saa olla liikaa informaatiota; kuvien merkitys on selitettävä riittävän hyvin. Trendien esittäminen toisiinsa liittymättömien tapausten yhteydessä. (ks. kuva 2) Miten taulukon rivit ja sarakkeet pitäisi järjestää? Tee laskut lukijan puolesta! Älä vertaile taulukoissa tai kuvissa yhteismitattomia arvoja (esim. eri ympäristöissä saatuja tuloksia). Tyypillisiä virheitä 3: Liian paljon dataa lopullisessa raportissa/julkaisussa.
Johnson, A Theoretician's Guide to the Experimental Analysis of Algorithms.
Kokeellinen algoritmiikka (3 ov) syventäviä opintoja edeltävät opinnot: ainakin Tietorakenteet hyödyllisiä opintoja: ASA, Algoritmiohjelmointi suoritus harjoitustyöllä (ei tenttiä) Kirjallisuutta: Johnson,
LisätiedotAlgoritmit 1. Luento 2 Ke Timo Männikkö
Algoritmit 1 Luento 2 Ke 11.1.2017 Timo Männikkö Luento 2 Algoritmin esitys Algoritmien analysointi Suoritusaika Asymptoottinen kertaluokka Peruskertaluokkia NP-täydelliset ongelmat Algoritmit 1 Kevät
LisätiedotHarjoitus 7: NCSS - Tilastollinen analyysi
Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
Lisätiedot1. Tilastollinen malli??
1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf
LisätiedotOhjelmoinnin perusteet, syksy 2006
Ohjelmoinnin perusteet, syksy 2006 Esimerkkivastaukset 1. harjoituksiin. Alkuperäiset esimerkkivastaukset laati Jari Suominen. Vastauksia muokkasi Jukka Stenlund. 1. Esitä seuraavan algoritmin tila jokaisen
LisätiedotEläinlääketieteen lisensiaatin tutkielma Seminaarityöskentelyohjeet
Eläinlääketieteen lisensiaatin tutkielma Seminaarityöskentelyohjeet Eläinlääketieteellinen tiedekunta Helsingin yliopisto 2017 1 Yleistä Eläinlääketieteen lisensiaatin tutkielman seminaarityöskentelyyn
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
LisätiedotRahastosalkun faktorimallin rakentaminen
Teknillinen korkeakoulu Mat 2.177 Operaatiotutkimuksen projektityöseminaari Kevät 2007 Evli Pankki Oyj Väliraportti 28.3.2007 Kristian Nikinmaa Markus Ehrnrooth Matti Ollila Richard Nordström Ville Niskanen
LisätiedotAlgoritmit 1. Luento 1 Ti Timo Männikkö
Algoritmit 1 Luento 1 Ti 10.1.2017 Timo Männikkö Luento 1 Algoritmi Algoritmin toteutus Ongelman ratkaiseminen Algoritmin tehokkuus Algoritmin suoritusaika Algoritmin analysointi Algoritmit 1 Kevät 2017
LisätiedotC.C. McGeoch, Toward an experimental method for algorithm simulation. algorithm simulation = algoritmin testaus, experimental algorithmics
C.C. McGeoch, Toward an experimental method for algorithm simulation algorithm simulation = algoritmin testaus, experimental algorithmics testiparametrit, esim. tapauksen koko, erilaiset tietorakennevaihtoehdot,
Lisätiedot4 Tehokkuus ja algoritmien suunnittelu
TIE-20100 Tietorakenteet ja algoritmit 52 4 Tehokkuus ja algoritmien suunnittelu Tässä luvussa pohditaan tehokkuuden käsitettä ja esitellään kurssilla käytetty kertaluokkanotaatio, jolla kuvataan algoritmin
LisätiedotHyvin suunniteltu on puoliksi tehty. Tutkimussuunnitelma. Miten se tehdään?
Hyvin suunniteltu on puoliksi tehty Tutkimussuunnitelma Miten se tehdään? 2016 Tutkimussuunnitelma Tutkimussuunnitelma on käsikirjoitus, joka kuvaa tutkimuksen olennaisimmat asiat. Sitä seuraamalla tutkija
LisätiedotAlgoritmit 1. Luento 10 Ke Timo Männikkö
Algoritmit 1 Luento 10 Ke 14.2.2018 Timo Männikkö Luento 10 Algoritminen ongelmanratkaisu Suunnittelumenetelmät Raaka voima Järjestäminen eli lajittelu Kuplalajittelu Lisäyslajittelu Valintalajittelu Permutaatiot
LisätiedotMäärittelydokumentti
Määrittelydokumentti Aineopintojen harjoitustyö: Tietorakenteet ja algoritmit (alkukesä) Sami Korhonen 014021868 sami.korhonen@helsinki. Tietojenkäsittelytieteen laitos Helsingin yliopisto 23. kesäkuuta
LisätiedotEsimerkkejä vaativuusluokista
Esimerkkejä vaativuusluokista Seuraaville kalvoille on poimittu joitain esimerkkejä havainnollistamaan algoritmien aikavaativuusluokkia. Esimerkit on valittu melko mielivaltaisesti laitoksella tehtävään
LisätiedotOhjelmiston toteutussuunnitelma
Ohjelmiston toteutussuunnitelma Ryhmän nimi: Tekijä: Toimeksiantaja: Toimeksiantajan edustaja: Muutospäivämäärä: Versio: Katselmoitu (pvm.): 1 1 Johdanto Tämä luku antaa yleiskuvan koko suunnitteludokumentista,
LisätiedotAlgoritmit 2. Luento 1 Ti Timo Männikkö
Algoritmit 2 Luento 1 Ti 14.3.2017 Timo Männikkö Luento 1 Algoritmi Algoritmin valinta Algoritmin analysointi Algoritmin suoritusaika Peruskertaluokkia Kertaluokkamerkinnät Kertaluokkien ominaisuuksia
LisätiedotPreference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi
Preference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi Mat-2.4142 Optimointiopin seminaari 9.2.2011 Lähteet: Salo, A. & Hämäläinen, R. P., 2010.
LisätiedotKandidaatintutkielma, ryhmän ohjaus Teemu Kerola. Referaatti
Teemu Kerola Kandidaatintutkielma Ryhmä 3, kevät 2013 (Tieteellisen kirjoittamisen kurssi, tiki) Referaatti, aine, tutkielma Kypsyysnäyte Esitelmä Arvostelu Kirjoittaminen Aiheiden valinta 1 Referaatti
LisätiedotAlgoritmit 1. Luento 3 Ti Timo Männikkö
Algoritmit 1 Luento 3 Ti 17.1.2017 Timo Männikkö Luento 3 Algoritmin analysointi Rekursio Lomituslajittelu Aikavaativuus Tietorakenteet Pino Algoritmit 1 Kevät 2017 Luento 3 Ti 17.1.2017 2/27 Algoritmien
LisätiedotAlkukartoitus Opiskeluvalmiudet
Alkukartoitus Opiskeluvalmiudet Päivämäärä.. Oppilaitos.. Nimi.. Tehtävä 1 Millainen kielenoppija sinä olet? Merkitse rastilla (x) lauseet, jotka kertovat sinun tyylistäsi oppia ja käyttää kieltä. 1. Muistan
LisätiedotYhtälönratkaisusta. Johanna Rämö, Helsingin yliopisto. 22. syyskuuta 2014
Yhtälönratkaisusta Johanna Rämö, Helsingin yliopisto 22. syyskuuta 2014 Yhtälönratkaisu on koulusta tuttua, mutta usein sitä tehdään mekaanisesti sen kummempia ajattelematta. Jotta pystytään ratkaisemaan
LisätiedotAutomaattinen yksikkötestaus
Teknillinen Korkeakoulu T-76.115 Tietojenkäsittelyopin ohjelmatyö Lineaaristen rajoitteiden tyydyttämistehtävän ratkaisija L models Automaattinen yksikkötestaus Ryhmä Rajoitteiset Versio Päivämäärä Tekijä
LisätiedotPäivitetty 9.5.2012. Text Mining -käyttöopas
Päivitetty 9.5.2012 Text Mining -käyttöopas WEBROPOL ANALYTICS: TEXT MINING Mitä tarkoittaa kun asiakkaat tai henkilöstö antavat arvosanan 3.1 o Keskiarvoa informatiivisempaa ovat taustalla olevat syyt
LisätiedotYleistä tietoa kokeesta
Yleistä tietoa kokeesta Kurssikoe järjestetään maanantai 7.5. klo 12-15 jossakin Exactumin auditorioista. Korvaava kurssikoe keskiviikkona (yleisenä tenttipäivänä) 11.4. klo 16-19 jossakin Exactumin auditorioista.
LisätiedotEstimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?
TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman
LisätiedotVinkkejä hyvään graduun. Janne Hukkinen Helsingin yliopisto
Vinkkejä hyvään graduun Janne Hukkinen Helsingin yliopisto janne.i.hukkinen@helsinki.fi Rakenne: perinteinen toimii Johdanto ja tausta Analyyttinen viitekehys Aineisto ja menetelmät Analyysi Tulokset ja
LisätiedotTilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä
Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä arvon Sisältö arvon Bootstrap-luottamusvälit arvon arvon Oletetaan, että meillä on n kappaletta (x 1, y 1 ),
LisätiedotAineistoista. Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin
Aineistoista 11.2.09 IK Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin Muotoilussa kehittyneet menetelmät, lähinnä luotaimet Havainnointi:
LisätiedotHarjoitustyön testaus. Juha Taina
Harjoitustyön testaus Juha Taina 1. Johdanto Ohjelman teko on muutakin kuin koodausta. Oleellinen osa on selvittää, että ohjelma toimii oikein. Tätä sanotaan ohjelman validoinniksi. Eräs keino validoida
Lisätiedot2. TILASTOLLINEN TESTAAMINEN...
!" # 1. 1. JOHDANTO... 3 2. 2. TILASTOLLINEN TESTAAMINEN... 4 2.1. T-TESTI... 4 2.2. RANDOMISAATIOTESTI... 5 3. SIMULOINTI... 6 3.1. OTOSTEN POIMINTA... 6 3.2. TESTAUS... 7 3.3. TESTIEN TULOSTEN VERTAILU...
LisätiedotMat Lineaarinen ohjelmointi
Mat-2.34 Lineaarinen ohjelmointi..27 Luento 5 Simplexin implementaatioita (kirja 3.2-3.5) Lineaarinen ohjelmointi - Syksy 27 / Luentorunko (/2) Simplexin implementaatiot Naiivi Revised Full tableau Syklisyys
Lisätiedotr = 0.221 n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit.
A. r = 0. n = Tilastollista testausta varten määritetään aluksi hypoteesit. H 0 : Korrelaatiokerroin on nolla. H : Korrelaatiokerroin on nollasta poikkeava. Tarkastetaan oletukset: - Kirjoittavat väittävät
Lisätiedot58160 Ohjelmoinnin harjoitustyö
58160 Ohjelmoinnin harjoitustyö Testaus 30.3.2009 Tuntiop. Sami Nikander sami.nikander@helsinki.fi 58160 Ohjelmoinnin harjoitustyö, Sami Nikander 30.3.2009 1 Testaus Ohjelman systemaattista tutkimista
LisätiedotOsakesalkun optimointi. Anni Halkola Turun yliopisto 2016
Osakesalkun optimointi Anni Halkola Turun yliopisto 2016 Artikkeli Gleb Beliakov & Adil Bagirov (2006) Non-smooth optimization methods for computation of the Conditional Value-at-risk and portfolio optimization.
LisätiedotJohdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:
Lisätiedot811312A Tietorakenteet ja algoritmit 2015-2016. I Johdanto
811312A Tietorakenteet ja algoritmit 2015-2016 I Johdanto Sisältö 1. Algoritmeista ja tietorakenteista 2. Algoritmien analyysistä 811312A TRA, Johdanto 2 I.1. Algoritmeista ja tietorakenteista I.1.1. Algoritmien
LisätiedotJatkuvat satunnaismuuttujat
Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään
LisätiedotENG3043.Kand Kandidaatintyö ja seminaari aloitusluento Tutkimussuunnitelman laatiminen
ENG3043.Kand Kandidaatintyö ja seminaari aloitusluento 12.9.2016 Tutkimussuunnitelman laatiminen Prof. (Professor of Practise) Risto Kiviluoma, Sillanrakennustekniikka Tutkimussuunnitelma Tutkimussuunnitelman
LisätiedotSatunnaisalgoritmit. Topi Paavilainen. Laskennan teorian opintopiiri HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos
Satunnaisalgoritmit Topi Paavilainen Laskennan teorian opintopiiri HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Helsinki, 23. helmikuuta 2014 1 Johdanto Satunnaisalgoritmit ovat algoritmeja, joiden
LisätiedotKäsitteistä. Reliabiliteetti, validiteetti ja yleistäminen. Reliabiliteetti. Reliabiliteetti ja validiteetti
Käsitteistä Reliabiliteetti, validiteetti ja yleistäminen KE 62 Ilpo Koskinen 28.11.05 empiirisessä tutkimuksessa puhutaan peruskurssien jälkeen harvoin "todesta" ja "väärästä" tiedosta (tai näiden modernimmista
LisätiedotSuoritusraportointi: Loppuraportti
1 (5) Suoritusraportointi: Loppuraportti Tiimitehtävä, 20 % kurssin arvosanasta Ryhmän vetäjä toimittaa raportit keskitetysti projektiyrityksille Raportti sisältää kaksi osiota: Johdon tiivistelmän (Executive
LisätiedotHarjoitusten 4 vastaukset
Harjoitusten 4 vastaukset 4.1. Prosessi on = 1 +, jossa»iid( 2 )ja =1 2. PNS estimaattori :lle on (" P P 2 ") = +( X X 2 ) 1 1. =1 Suluissa oleva termi on deterministinen ja suppenee vihjeen mukaan 2 6:teen.
Lisätiedotf(n) = Ω(g(n)) jos ja vain jos g(n) = O(f(n))
Määritelmä: on O(g(n)), jos on olemassa vakioarvot n 0 > 0 ja c > 0 siten, että c g(n) kun n > n 0 O eli iso-o tai ordo ilmaisee asymptoottisen ylärajan resurssivaatimusten kasvun suuruusluokalle Samankaltaisia
LisätiedotArkkitehtuurien tutkimus Outi Räihä. OHJ-3200 Ohjelmistoarkkitehtuurit. Darwin-projekti. Johdanto
OHJ-3200 Ohjelmistoarkkitehtuurit 1 Arkkitehtuurien tutkimus Outi Räihä 2 Darwin-projekti Darwin-projekti: Akatemian rahoitus 2009-2011 Arkkitehtuurisuunnittelu etsintäongelmana Geneettiset algoritmit
LisätiedotTietorakenteet ja algoritmit - syksy 2015 1
Tietorakenteet ja algoritmit - syksy 2015 1 Tietorakenteet ja algoritmit - syksy 2015 2 Tietorakenteet ja algoritmit Johdanto Ari Korhonen Tietorakenteet ja algoritmit - syksy 2015 1. JOHDANTO 1.1 Määritelmiä
LisätiedotTutkimuksen alkuasetelmat
Tutkimuksen alkuasetelmat Ihan alussa yleensä epämääräinen kiinnnostus laajaan aiheeseen ( muoti, kulutus, nuoriso, luovuus, värit, sukupuoli )... Kiinnostusta kohdennetaan (pilotit, kirjallisuuden haravointi)
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon
LisätiedotLuku 6. Dynaaminen ohjelmointi. 6.1 Funktion muisti
Luku 6 Dynaaminen ohjelmointi Dynaamisessa ohjelmoinnissa on ideana jakaa ongelman ratkaisu pienempiin osaongelmiin, jotka voidaan ratkaista toisistaan riippumattomasti. Jokaisen osaongelman ratkaisu tallennetaan
LisätiedotTieteellisen kirjoittamisen kurssi, kevät Teemu Kerola. Referaatti. Valitse tutkielman aihepiiriin sopiva artikkeli
Teemu Kerola Tieteellisen kirjoittamisen kurssi Ryhmä 4, kevät 2010 http://www.cs.helsinki.fi/u/arytkone/tiki/sisalto.html Referaatti Aine, tutkielma Kypsyysnäyte Esitelmä Arvostelu Kirjoittaminen 1 Referaatti
LisätiedotMat 2.4177 Operaatiotutkimuksen projektityöseminaari
Mat 2.4177 Operaatiotutkimuksen projektityöseminaari Kemira GrowHow: Paikallisen vaihtelun korjaaminen kasvatuskokeiden tuloksissa 21.2.2008 Ilkka Anttila Mikael Bruun Antti Ritala Olli Rusanen Timo Tervola
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Tilastollisen merkitsevyyden testaus Osa II Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotLuottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.
5.10.2017/1 MTTTP1, luento 5.10.2017 KERTAUSTA Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla todennäköisyydellä,
Lisätiedot3.6 Su-estimaattorien asymptotiikka
3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä
LisätiedotPSY181 Psykologisen tutkimuksen perusteet, kirjallinen harjoitustyö ja kirjatentti
PSY181 Psykologisen tutkimuksen perusteet, kirjallinen harjoitustyö ja kirjatentti Harjoitustyön ohje Tehtävänäsi on laatia tutkimussuunnitelma. Itse tutkimusta ei toteuteta, mutta suunnitelman tulisi
LisätiedotTIE Tietorakenteet ja algoritmit 1. TIE Tietorakenteet ja algoritmit
TIE-20100 Tietorakenteet ja algoritmit 1 TIE-20100 Tietorakenteet ja algoritmit TIE-20100 Tietorakenteet ja algoritmit 2 Lähteet Luentomoniste pohjautuu vahvasti prof. Antti Valmarin vanhaan luentomonisteeseen
LisätiedotHarjoitustehtävät ja ratkaisut viikolle 48
Harjoitustehtävät ja ratkaisut viikolle 48 1. Tehtävä on jatkoa aiemmalle tehtävälle viikolta 42, missä piti suunnitella älykodin arkkitehtuuri käyttäen vain ennalta annettua joukkoa ratkaisuja. Tämäkin
Lisätiedot1.Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet
VAASAN YLIOPISTO/KESÄYLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia A KURSSIKYSELYAINEISTO: 1.Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet Nimi Ikä v. Asema Palkka
LisätiedotTutkimusmenetelmät-kurssi, s-2004
Algoritmitutkimuksen menetelmistä Tutkimusmenetelmät-kurssi, s-2004 Pekka Kilpeläinen Kuopion yliopisto Tietojenkäsittelytieteen laitos Algoritmitutkimuksen menetelmistä p.1/20 Sisällys Tänään Tietojenkäsittelytiede
LisätiedotAineistokoko ja voima-analyysi
TUTKIMUSOPAS Aineistokoko ja voima-analyysi Johdanto Aineisto- eli otoskoon arviointi ja tutkimuksen voima-analyysi ovat tilastollisen tutkimuksen suunnittelussa keskeisimpiä asioita. Otoskoon arvioinnilla
LisätiedotLuottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.
6.10.2016/1 MTTTP1, luento 6.10.2016 KERTAUSTA JA TÄYDENNYSTÄ Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla
Lisätiedotf (28) L(28) = f (27) + f (27)(28 27) = = (28 27) 2 = 1 2 f (x) = x 2
BMA581 - Differentiaalilaskenta ja sovellukset Harjoitus 4, Syksy 15 1. (a) Olisiko virhe likimain.5, ja arvio antaa siis liian suuren arvon. (b) Esim (1,1.5) tai (,.5). Funktion toinen derivaatta saa
LisätiedotVäitöskirjan kirjoittaminen ja viimeistely
1 Väitöskirjan kirjoittaminen ja viimeistely Pekka Kohti tohtorin tutkintoa 19.4.2017 UniOGS 2 Ensimmäinen versio väitöskirjasta Käytä Acta -kirjoituspohjaa Aloita väitöskirjan / yhteenvedon tekeminen
LisätiedotAlgoritmit 2. Luento 13 Ti Timo Männikkö
Algoritmit 2 Luento 13 Ti 30.4.2019 Timo Männikkö Luento 13 Simuloitu jäähdytys Merkkijonon sovitus Horspoolin algoritmi Ositus ja rekursio Rekursion toteutus Algoritmit 2 Kevät 2019 Luento 13 Ti 30.4.2019
LisätiedotNäistä standardoiduista arvoista laskettu keskiarvo on nolla ja varianssi 1, näin on standardoidulle muuttujalle aina.
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, kevät 2019 https://coursepages.uta.fi/mtttp1/kevat-2019/ HARJOITUS 3 Joitain ratkaisuja 1. x =(8+9+6+7+10)/5 = 8, s 2 = ((8 8) 2 + (9 8) 2 +(6 8) 2 + (7 8) 2 ) +
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 16. marraskuuta 2007 Antti Rasila () TodB 16. marraskuuta 2007 1 / 15 1 Epäparametrisia testejä χ 2 -yhteensopivuustesti Homogeenisuuden testaaminen Antti
LisätiedotTeemu Kerola Kandidaatintutkielma Kevät 2017 (Tieteellisen kirjoittamisen kurssi, tiki)
Teemu Kerola Kandidaatintutkielma Kevät 2017 (Tieteellisen kirjoittamisen kurssi, tiki) Referaatti, aine, tutkielma Kypsyysnäyte Esitelmä Arvostelu Kirjoittaminen Aiheiden valinta 1 Tavoitteet Tiedonhaku
LisätiedotTutkimustiedonhallinnan peruskurssi
Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,
LisätiedotTietojen arviointi ja raportointi: (yksityiskohtaisen) tutkimustiivistelmän laatimisohjeet
Tietojen arviointi ja raportointi: (yksityiskohtaisen) tutkimustiivistelmän laatimisohjeet Webinaari tietovaatimuksista 30. marraskuuta 2009 Kaikkien saatavilla olevien tietojen arviointi Vaihe 1: Tietojen
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 9. luento. Pertti Palo
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 9. luento Pertti Palo 22.11.2012 Käytännön asioita Eihän kukaan paikallaolijoista tee 3 op kurssia? 2. seminaarin ilmoittautuminen. 2. harjoitustyön
LisätiedotMATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ
MATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ 24.9.2019 HYVÄN VASTAUKSEN PIIRTEITÄ Alustavat hyvän vastauksen piirteet on suuntaa-antava kuvaus kokeen tehtäviin odotetuista vastauksista ja tarkoitettu ensisijaisesti
Lisätiedot9.-luokkalaisen kulttuurikansio
9.-luokkalaisen kulttuurikansio Kokoa kulttuurikansioon puolen vuoden ajan kulttuurielämyksiäsi. Kulttuurikansio palautetaan opettajalle 31.3. 2009. Liimaa pääsyliput kansioon! Pakolliset sivut Huom! -
LisätiedotAlgoritmit 2. Luento 12 To Timo Männikkö
Algoritmit 2 Luento 12 To 3.5.2018 Timo Männikkö Luento 12 Geneettiset algoritmit Simuloitu jäähdytys Merkkijonon sovitus Horspoolin algoritmi Algoritmit 2 Kevät 2018 Luento 12 To 3.5.2018 2/35 Algoritmien
Lisätiedot3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin
3 Yleistä estimointiteoriaa Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3.1 Johdanto Tähän mennessä olemme tarkastelleet estimointia
LisätiedotMS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op)
MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) Aalto-yliopisto 2017 Käytännön järjestelyt Luennot: Luennot maanantaisin (sali E) ja keskiviikkoisin (sali U4) klo 10-12 Luennoitsija: (lauri.viitasaari@aalto.fi)
LisätiedotJärvitesti Ympäristöteknologia T571SA 7.5.2013
Hans Laihia Mika Tuukkanen 1 LASKENNALLISET JA TILASTOLLISET MENETELMÄT Järvitesti Ympäristöteknologia T571SA 7.5.2013 Sarkola Eino JÄRVITESTI Johdanto Järvien kuntoa tutkitaan monenlaisilla eri menetelmillä.
LisätiedotTAMPEREEN TEKNILLINEN YLIOPISTO
TAMPEREEN TEKNILLINEN YLIOPISTO Digitaali- ja Tietokonetekniikan laitos TKT-3200 Tietokonetekniikka ASSEMBLER: QSORT 11.08.2010 Ryhmä 00 nimi1 email1 opnro1 nimi2 email2 opnro2 nimi3 email3 opnro3 1. TEHTÄVÄ
LisätiedotH7 Malliratkaisut - Tehtävä 1
H7 Malliratkaisut - Tehtävä Eelis Mielonen 7. lokakuuta 07 a) Palautellaan muistiin Maclaurin sarjan määritelmä (Taylorin sarja origon ympäristössä): f n (0) f(x) = (x) n Nyt jos f(x) = ln( + x) saadaan
LisätiedotTietorakenteet ja algoritmit Johdanto Lauri Malmi / Ari Korhonen
Tietorakenteet ja algoritmit Johdanto Lauri Malmi / Ari 1 1. JOHDANTO 1.1 Määritelmiä 1.2 Tietorakenteen ja algoritmin valinta 1.3 Algoritmit ja tiedon määrä 1.4 Tietorakenteet ja toiminnot 1.5 Esimerkki:
LisätiedotNäistä standardoiduista arvoista laskettu keskiarvo on nolla ja varianssi 1, näin on standardoidulle muuttujalle aina.
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, Syksy 2017 http://www.uta.fi/sis/mtt/mtttp1/syksy_2017.html HARJOITUS 3 viikko 40 Joitain ratkaisuja 1. Suoritetaan standardointi. Standardoidut arvot ovat z 1 =
LisätiedotRekursiolause. Laskennan teorian opintopiiri. Sebastian Björkqvist. 23. helmikuuta Tiivistelmä
Rekursiolause Laskennan teorian opintopiiri Sebastian Björkqvist 23. helmikuuta 2014 Tiivistelmä Työssä käydään läpi itsereplikoituvien ohjelmien toimintaa sekä esitetään ja todistetaan rekursiolause,
LisätiedotMittausjärjestelmän kalibrointi ja mittausepävarmuus
Mittausjärjestelmän kalibrointi ja mittausepävarmuus Kalibrointi kalibroinnin merkitys kansainvälinen ja kansallinen mittanormaalijärjestelmä kalibroinnin määritelmä mittausjärjestelmän kalibrointivaihtoehdot
LisätiedotT 61.152 Informaatiotekniikan seminaari: Kombinatorinen Optimointi
T 61.152 Informaatiotekniikan seminaari: Kombinatorinen Optimointi Johdantoluento (22.1.2008) Nikolaj Tatti ntatti@cc.hut.fi Johdantoluento Kurssijärjestelyt ja vaatimukset. Kurssin sisällöstä. Hyvä esitelmä
LisätiedotDOORS 7.1 Test Tracking Toolkit
DOORS 7.1 Test Tracking Toolkit 4.8.2004 SoftQA Pekka Mäkinen Pekka.Makinen@softqa.fi Test Tracking Toolkit Test Tracking Toolkit on osa vakio-doorsia versiossa 7.1. Ohjelmisto sisältää toiminnat pienimuotoiseen
LisätiedotJULKAISUILTAPÄIVÄ II ( ) Amanuenssi Heli Niskanen Humanistinen tiedekunta, palvelukeskus
JULKAISUILTAPÄIVÄ II (8.12.2016) Amanuenssi Heli Niskanen Humanistinen tiedekunta, palvelukeskus Tutkasta tulee Converis Nykyinen tutkimustietojärjestelmä TUTKA korvataan uudella järjestelmällä (Converis),
LisätiedotMittaustulosten tilastollinen käsittely
Mittaustulosten tilastollinen käsittely n kertaa toistetun mittauksen tulos lasketaan aritmeettisena keskiarvona n 1 x = x i n i= 1 Mittaustuloksen hajonnasta aiheutuvaa epävarmuutta kuvaa keskiarvon keskivirhe
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21
LisätiedotNÄYTÖN ARVIOINTI: SYSTEMAATTINEN KIRJALLISUUSKATSAUS JA META-ANALYYSI. EHL Starck Susanna & EHL Palo Katri Vaasan kaupunki 22.9.
NÄYTÖN ARVIOINTI: SYSTEMAATTINEN KIRJALLISUUSKATSAUS JA META-ANALYYSI EHL Starck Susanna & EHL Palo Katri Vaasan kaupunki 22.9.2016 Näytön arvioinnista Monissa yksittäisissä tieteellisissä tutkimuksissa
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotTUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas
TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas KURSSIN SISÄLTÖ Johdanto Mittaaminen ja aineiston hankinta Mitta-asteikot Otanta Aineiston esittäminen ja data-analyysi Havaintomatriisi Yksiulotteisen
LisätiedotJos Q = kysytty määrä, Q = kysytyn määrän muutos, P = hinta ja P = hinnan muutos, niin hintajousto on Q/Q P/P
Osa 5. Joustoista Kysynnän hintajousto (price elasticity of demand) mittaa, miten kysynnän määrä reagoi hinnan muutokseen = kysytyn määrän suhteellinen muutos jaettuna hinnan suhteellisella muutoksella
LisätiedotKliininen arviointi ja kliininen tieto mikä riittää?
Kliininen arviointi ja kliininen tieto mikä riittää? Riittävä tutkimuksen otoskoko ja tulos Timo Partonen LT, psykiatrian dosentti, Helsingin yliopisto Ylilääkäri, Terveyden ja hyvinvoinnin laitos Tutkimuksen
LisätiedotOdotusarvoparien vertailu. Vilkkumaa / Kuusinen 1
Odotusarvoparien vertailu Vilkkumaa / Kuusinen 1 Motivointi Viime luennolta: yksisuuntaisella varianssianalyysilla testataan nollahypoteesia H 0 : μ 1 = μ 2 = = μ k = μ Jos H 0 hylätään, tiedetään, että
LisätiedotOhjelmoinnin perusteet Y Python
Ohjelmoinnin perusteet Y Python T-106.1208 4.3.2009 T-106.1208 Ohjelmoinnin perusteet Y 4.3.2009 1 / 35 Tiedostot Tiedostojen käsittelyä tarvitaan esimerkiksi seuraavissa tilanteissa: Ohjelman käsittelemiä
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 18 1 Kertausta: momenttimenetelmä ja suurimman uskottavuuden menetelmä 2 Tilastollinen
LisätiedotTIE Ohjelmistojen testaus 2015 Harjoitustyö Vaiheet 1 ja 2. Antti Jääskeläinen Matti Vuori
TIE-21204 Ohjelmistojen testaus 2015 Harjoitustyö Vaiheet 1 ja 2 Antti Jääskeläinen Matti Vuori Työn yleiset järjestelyt 14.9.2015 2 Valmistautuminen Ilmoittaudu kurssille Lue harjoitustyön nettisivut
LisätiedotBM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018 Tehtävä 8 on tällä kertaa pakollinen. Aloittakaapa siitä. 1. Kun tässä tehtävässä sanotaan sopii mahdollisimman hyvin, sillä tarkoitetaan
Lisätiedot